文本情感分析

一、情感分析簡介

  文本情感分析（Sentiment Analysis）是自然語言處理（NLP）方法中常見的應用，也是一個有趣的基本任務，尤其是以提煉文本情緒內容為目的的分類。它是對帶有情感色彩的主觀性文本進行分析、處理、歸納和推理的過程。
  本文將介紹情感分析中的情感極性（傾向）分析。所謂情感極性分析，指的是對文本進行褒義、貶義、中性的判斷。在大多應用場景下，只分為兩類。例如對於“喜愛”和“厭惡”這兩個詞，就屬於不同的情感傾向。
  本文將詳細介紹如何使用深度學習模型中的LSTM模型來實現文本的情感分析。

二、項目介紹

　　通過對已有標簽的文本進行訓練，實現新文本的分類。

三、文本介紹及語料分析

  本項目以某電商網站中某個商品的評論作為語料（corpus.csv），該數據集的下載網址為：https://github.com/renjunxiang/Text-Classification/blob/master/TextClassification/data/data_single.csv ，該數據集一共有4310條評論數據，文本的情感分為兩類：“正面”和“反面”，該數據集的前幾行如下：

evaluation,label
用了一段時間，感覺還不錯，可以,正面
電視非常好，已經是家里的第二台了。第一天下單，第二天就到本地了，可是物流的人說車壞了，一直催，客服也幫着催，到第三天下午5點才送過來。父母年紀大了，買個大電視畫面清晰，趁着耳朵還好使，享受幾年。,正面
電視比想象中的大好多，畫面也很清晰，系統很智能，更多功能還在摸索中,正面
不錯,正面
用了這么多天了，感覺還不錯。夏普的牌子還是比較可靠。希望以后比較耐用，現在是考量質量的時候。,正面
物流速度很快，非常棒，今天就看了電視，非常清晰，非常流暢，一次非常完美的購物體驗,正面
非常好，客服還特意打電話做回訪,正面
物流小哥不錯，辛苦了，東西還沒用,正面
送貨速度快，質量有保障，活動價格挺好的。希望用的久，不出問題。,正面

  接着需要對語料做一個簡單的分析：

• • 數據集中的情感分布；
  • 數據集中的評論句子長度分布。

  使用以下Python腳本，可以統計出數據集中的情感分布以及評論句子長度分布。

import pandas as pd
import matplotlib.pyplot as plt
from matplotlib import font_manager
from itertools import accumulate

# 設置matplotlib繪圖時的字體
my_font = font_manager.FontProperties(fname="C:\Windows\Fonts\Songti.ttc")

# 統計句子長度及長度出現的頻數
df = pd.read_csv('./corpus.csv')
print(df.groupby('label')['label'].count())

df['length'] = df['evaluation'].apply(lambda x: len(x))
len_df = df.groupby('length').count()
sent_length = len_df.index.tolist()
sent_freq = len_df['evaluation'].tolist()

# 繪制句子長度及出現頻數統計圖
plt.bar(sent_length, sent_freq)
plt.title("句子長度及出現頻數統計圖", fontproperties=my_font)
plt.xlabel("句子長度", fontproperties=my_font)
plt.ylabel("句子長度出現的頻數", fontproperties=my_font)
plt.savefig("./句子長度及出現頻數統計圖.png")
plt.close()

# 繪制句子長度累積分布函數(CDF)
sent_pentage_list = [(count/sum(sent_freq)) for count in accumulate(sent_freq)]

# 繪制CDF
plt.plot(sent_length, sent_pentage_list)

# 尋找分位點為quantile的句子長度
quantile = 0.91
#print(list(sent_pentage_list))
for length, per in zip(sent_length, sent_pentage_list):
    if round(per, 2) == quantile:
        index = length
        break
print("\n分位點為%s的句子長度:%d." % (quantile, index))

# 繪制句子長度累積分布函數圖
plt.plot(sent_length, sent_pentage_list)
plt.hlines(quantile, 0, index, colors="c", linestyles="dashed")
plt.vlines(index, 0, quantile, colors="c", linestyles="dashed")
plt.text(0, quantile, str(quantile))
plt.text(index, 0, str(index))
plt.title("句子長度累積分布函數圖", fontproperties=my_font)
plt.xlabel("句子長度", fontproperties=my_font)
plt.ylabel("句子長度累積頻率", fontproperties=my_font)
plt.savefig("./句子長度累積分布函數圖.png")
plt.close()

　　輸出的結果如下：

label
正面    1908
負面    2375
Name: label, dtype: int64

分位點為0.91的句子長度:183.

　　可以看到，正反面兩類情感的比例差不多。句子長度及出現頻數統計圖如下：

 

句子長度及出現頻數統計圖

　　句子長度累積分布函數圖如下：

 

句子長度累積分布函數圖

　　可以看到，大多數樣本的句子長度集中在1-200之間，句子長度累計頻率取0.91分位點，則長度為183左右。

四、使用LSTM模型

  接着使用深度學習中的LSTM模型來對上述數據集做情感分析，實現的模型框架如下：

 

LSTM模型

　　完整的Python代碼如下：

# -*- coding: utf-8 -*-

import pickle
import numpy as np
import pandas as pd
from keras.utils import np_utils, plot_model
from keras.models import Sequential
from keras.preprocessing.sequence import pad_sequences
from keras.layers import LSTM, Dense, Embedding, Dropout
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 導入數據
# 文件的數據中，特征為evaluation, 類別為label.
def load_data(filepath, input_shape=20):
    df = pd.read_csv(filepath)

    # 標簽及詞匯表
    labels, vocabulary = list(df['label'].unique()), list(df['evaluation'].unique())

    # 構造字符級別的特征
    string = ''
    for word in vocabulary:
        string += word

    vocabulary = set(string)

    # 字典列表
    word_dictionary = {word: i+1 for i, word in enumerate(vocabulary)}
    with open('word_dict.pk', 'wb') as f:
        pickle.dump(word_dictionary, f)
    inverse_word_dictionary = {i+1: word for i, word in enumerate(vocabulary)}
    label_dictionary = {label: i for i, label in enumerate(labels)}
    with open('label_dict.pk', 'wb') as f:
        pickle.dump(label_dictionary, f)
    output_dictionary = {i: labels for i, labels in enumerate(labels)}

    vocab_size = len(word_dictionary.keys()) # 詞匯表大小
    label_size = len(label_dictionary.keys()) # 標簽類別數量

    # 序列填充，按input_shape填充，長度不足的按0補充
    x = [[word_dictionary[word] for word in sent] for sent in df['evaluation']]
    x = pad_sequences(maxlen=input_shape, sequences=x, padding='post', value=0)
    y = [[label_dictionary[sent]] for sent in df['label']]
    y = [np_utils.to_categorical(label, num_classes=label_size) for label in y]
    y = np.array([list(_[0]) for _ in y])

    return x, y, output_dictionary, vocab_size, label_size, inverse_word_dictionary

# 創建深度學習模型， Embedding + LSTM + Softmax.
def create_LSTM(n_units, input_shape, output_dim, filepath):
    x, y, output_dictionary, vocab_size, label_size, inverse_word_dictionary = load_data(filepath)
    model = Sequential()
    model.add(Embedding(input_dim=vocab_size + 1, output_dim=output_dim,
                        input_length=input_shape, mask_zero=True))
    model.add(LSTM(n_units, input_shape=(x.shape[0], x.shape[1])))
    model.add(Dropout(0.2))
    model.add(Dense(label_size, activation='softmax'))
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

    plot_model(model, to_file='./model_lstm.png', show_shapes=True)
    model.summary()

    return model

# 模型訓練
def model_train(input_shape, filepath, model_save_path):

    # 將數據集分為訓練集和測試集，占比為9:1
    # input_shape = 100
    x, y, output_dictionary, vocab_size, label_size, inverse_word_dictionary = load_data(filepath, input_shape)
    train_x, test_x, train_y, test_y = train_test_split(x, y, test_size = 0.1, random_state = 42)

    # 模型輸入參數，需要自己根據需要調整
    n_units = 100
    batch_size = 32
    epochs = 5
    output_dim = 20

    # 模型訓練
    lstm_model = create_LSTM(n_units, input_shape, output_dim, filepath)
    lstm_model.fit(train_x, train_y, epochs=epochs, batch_size=batch_size, verbose=1)

    # 模型保存
    lstm_model.save(model_save_path)

    N = test_x.shape[0]  # 測試的條數
    predict = []
    label = []
    for start, end in zip(range(0, N, 1), range(1, N+1, 1)):
        sentence = [inverse_word_dictionary[i] for i in test_x[start] if i != 0]
        y_predict = lstm_model.predict(test_x[start:end])
        label_predict = output_dictionary[np.argmax(y_predict[0])]
        label_true = output_dictionary[np.argmax(test_y[start:end])]
        print(''.join(sentence), label_true, label_predict) # 輸出預測結果
        predict.append(label_predict)
        label.append(label_true)

    acc = accuracy_score(predict, label) # 預測准確率
    print('模型在測試集上的准確率為: %s.' % acc)

if __name__ == '__main__':
    filepath = './corpus.csv'
    input_shape = 180
    model_save_path = './corpus_model.h5'
    model_train(input_shape, filepath, model_save_path)

　　對上述模型，共訓練5次，訓練集和測試集比例為9:1，輸出的結果為：

......
Epoch 5/5
......
3424/3854 [=========================>....] - ETA: 2s - loss: 0.1280 - acc: 0.9565
3456/3854 [=========================>....] - ETA: 1s - loss: 0.1274 - acc: 0.9569
3488/3854 [==========================>...] - ETA: 1s - loss: 0.1274 - acc: 0.9570
3520/3854 [==========================>...] - ETA: 1s - loss: 0.1287 - acc: 0.9568
3552/3854 [==========================>...] - ETA: 1s - loss: 0.1290 - acc: 0.9564
3584/3854 [==========================>...] - ETA: 1s - loss: 0.1284 - acc: 0.9568
3616/3854 [===========================>..] - ETA: 1s - loss: 0.1284 - acc: 0.9569
3648/3854 [===========================>..] - ETA: 0s - loss: 0.1278 - acc: 0.9572
3680/3854 [===========================>..] - ETA: 0s - loss: 0.1271 - acc: 0.9576
3712/3854 [===========================>..] - ETA: 0s - loss: 0.1268 - acc: 0.9580
3744/3854 [============================>.] - ETA: 0s - loss: 0.1279 - acc: 0.9575
3776/3854 [============================>.] - ETA: 0s - loss: 0.1272 - acc: 0.9579
3808/3854 [============================>.] - ETA: 0s - loss: 0.1279 - acc: 0.9580
3840/3854 [============================>.] - ETA: 0s - loss: 0.1281 - acc: 0.9581
3854/3854 [==============================] - 18s 5ms/step - loss: 0.1298 - acc: 0.9577
......
給父母買的，特意用了一段時間再來評價，電視非常好，沒有壞點和損壞，界面也很簡潔，便於操作，稍微不足就是開機會比普通電視慢一些，這應該是智能電視的通病吧，如果可以希望微鯨大大可以更新系統優化下開機時間~電視真的很棒，性價比爆棚，值得大家考慮購買。 客服很細心，快遞小哥很耐心的等我通電驗貨，態度非常好。 負面 正面
長須鯨和海獅回答都很及時，雖然物流不夠快但是服務不錯電視不錯，對比了樂視小米和微鯨論性價比還是微鯨好點 負面 負面
所以看不到4k效果，但是應該可以。 自帶音響，中規中矩吧，好像沒有別人說的好。而且，到現在沒連接上我的漫步者，這個非常不滿意，因為看到網上說好像普通3.5mm的連不上或者連上了聲音小。希望廠家接下來開發的電視有改進。不知道我要不要換個音響。其他的用用再說。 放在地上的是跟我混了兩年的tcl，天氣受潮，修了一次，下崗了。 最后，我也覺得底座不算太穩，湊合着用。 負面 負面
電視機一般，低端機不要求那么高咯。 負面 負面
很好，兩點下單上午就到了，服務很好。 正面 正面
幫朋友買的，好好好好好好好好 正面 正面
......
模型在測試集上的准確率為: 0.9020979020979021.

　　可以看到，該模型在訓練集上的准確率為95%以上，在測試集上的准確率為90%以上，效果還是相當不錯的。

五、模型預測

  接着，利用剛剛訓練好的模型，對新的數據進行測試。隨機改造上述樣本的評論，然后預測其情感傾向。情感預測的Python代碼如下：

# -*- coding: utf-8 -*-

# Import the necessary modules
import pickle
import numpy as np
from keras.models import load_model
from keras.preprocessing.sequence import pad_sequences


# 導入字典
with open('word_dict.pk', 'rb') as f:
    word_dictionary = pickle.load(f)
with open('label_dict.pk', 'rb') as f:
    output_dictionary = pickle.load(f)

try:
    # 數據預處理
    input_shape = 180
    sent = "電視剛安裝好，說實話，畫質不怎么樣，很差！"
    x = [[word_dictionary[word] for word in sent]]
    x = pad_sequences(maxlen=input_shape, sequences=x, padding='post', value=0)

    # 載入模型
    model_save_path = './sentiment_analysis.h5'
    lstm_model = load_model(model_save_path)

    # 模型預測
    y_predict = lstm_model.predict(x)
    label_dict = {v:k for k,v in output_dictionary.items()}
    print('輸入語句: %s' % sent)
    print('情感預測結果: %s' % label_dict[np.argmax(y_predict)])

except KeyError as err:
    print("您輸入的句子有漢字不在詞匯表中，請重新輸入！")
    print("不在詞匯表中的單詞為：%s." % err)

　　輸出結果如下：

輸入語句: 電視剛安裝好，說實話，畫質不怎么樣，很差！
情感預測結果: 負面
  讓我們再嘗試着測試一些其他的評論：

輸入語句: 物超所值，真心不錯
情感預測結果: 正面
輸入語句: 很大很好，方便安裝！
情感預測結果: 正面
輸入語句: 卡，慢，死機，閃退。
情感預測結果: 負面
輸入語句: 這種貨色就這樣吧，別期待怎樣。
情感預測結果: 負面
輸入語句: 啥服務態度碼，出了事情一個推一個，送貨安裝還收我50
情感預測結果: 負面
輸入語句: 京東服務很好！但我買的這款電視兩天后就出現這樣的問題，很后悔買了這樣的電視
情感預測結果: 負面
輸入語句: 產品質量不錯，就是這位客服的態度十分惡劣，對相關服務不予解釋說明，缺乏耐心，
情感預測結果: 負面
輸入語句: 很滿意，電視非常好。護眼模式，很好，也很清晰。
情感預測結果: 負面

六、總結

  當然，該模型並不是對一切該商品的評論都會有好的效果，還是應該針對特定的語料去訓練，去預測。
  本項目主要介紹了LSTM模型在文本情感分析方面的應用，該項目已上傳百度網盤，地址為：

　　鏈接：https://pan.baidu.com/s/1M1YK639ZeBv0LoKZUr2Amw
　　提取碼：6jm0